第 7 章：内积空间上的算子

沿伴随、正规与自伴算子到谱定理，再进入正算子、QR/Cholesky、SVD、低秩逼近与极分解。

学习目标

  • 能先写出“第 7 章：内积空间上的算子”的域、空间、维数与量词，再判断定理是否可用
  • 能从定义和见证重建“任意有限维内积空间间的线性映射都有 SVD；截断奇异值给出相应秩约束下的最佳逼近。”的五步证明链
  • 能用“对 A=diag(3,1,0)，奇异值为 3、1；保留第一项得到秩 1 逼近 diag(3,0,0)，误差由下一个奇异值控制。”完成一次非平凡计算或结构检查
  • 能删除一条假设并用“把非正规上三角矩阵直接套正交对角化谱定理；它未必有正交规范特征向量基，但仍有 SVD。”说明结论如何失效

为什么从这个问题开始

谱定理只覆盖正规算子时，SVD 为什么还能描述任意线性映射？ 本页不把矩阵计算当作最终答案，而是先固定域、空间、维数和量词，再区分定义、见证、不变量与坐标表示。SVD 先对正算子 T*T 使用谱定理，再把非零特征方向经 T 归一化到陪域。第四版把它直接写在线性映射 V→W 上，而不局限于算子。

官方第四版定位

本页依据 Sheldon Axler 官方开放获取 PDF 独立编排中文教学结构。当前核对版本在版权页标注 fourth edition, 13 July 2026, © 2024 Sheldon Axler；作者官网 与 Springer 第四版页面 共同确认 9 章、开放获取与第四版范围。旧版页码、目录和练习编号不能替代本页列出的第四版正式节点。

正式目录逐项映射

  • 7A Self-Adjoint and Normal Operators：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Adjoints：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Self-Adjoint Operators：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Normal Operators：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • 7B Spectral Theorem：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Real Spectral Theorem：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Complex Spectral Theorem：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • 7C Positive Operators：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • 7D Isometries, Unitary Operators, and Matrix Factorization：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Isometries：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Unitary Operators：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • QR Factorization：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Cholesky Factorization：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • 7E Singular Value Decomposition：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Singular Values：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • SVD for Linear Maps and for Matrices：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • 7F Consequences of Singular Value Decomposition：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Norms of Linear Maps：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Approximation by Linear Maps with Lower-Dimensional Range：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Polar Decomposition：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Operators Applied to Ellipsoids and Parallelepipeds：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Volume via Singular Values：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。
  • Properties of an Operator as Determined by Its Eigenvalues：在“第 7 章：内积空间上的算子”中定位它的定义对象、输入假设、允许使用的定理和坐标无关结论；复核时必须能给出正常见证与删除假设后的边界。

定义、对象与量词

  • ：满足 ⟨Tv,w⟩=⟨v,T*w⟩ 的唯一映射。 在本页推导中必须同时写出所属空间与适用前提。
  • ：正规或自伴算子存在正交规范特征向量基。 在本页推导中必须同时写出所属空间与适用前提。
  • ：满足 ⟨Tv,v⟩≥0 的自伴算子。 在本页推导中必须同时写出所属空间与适用前提。
  • ：用两组正交规范向量和非负奇异值表示 T。 在本页推导中必须同时写出所属空间与适用前提。
  • ：截断较小奇异值获得最优受限秩映射。 在本页推导中必须同时写出所属空间与适用前提。

必须先声明以下假设：

  • 定义域与陪域都是有限维内积空间
  • 伴随由给定内积唯一确定
  • 谱定理只对实自伴或复正规算子使用
  • 奇异值按非增顺序并保留重数

Quantifier · space · hypothesis

第 7 章：内积空间上的算子：假设检查台

谱定理只覆盖正规算子时，SVD 为什么还能描述任意线性映射？

选择一条不可省略的假设

lad4-07 · assumption 1

任意有限维内积空间间的线性映射都有 SVD；截断奇异值给出相应秩约束下的最佳逼近。

当前必须成立定义域与陪域都是有限维内积空间
用于重建证明

对 A=diag(3,1,0)，奇异值为 3、1；保留第一项得到秩 1 逼近 diag(3,0,0)，误差由下一个奇异值控制。

保持量：奇异值与所选正交规范基无关，截断前后都明确目标秩与误差范数。

核心定理与证明入口

本页主张： 任意有限维内积空间间的线性映射都有 SVD；截断奇异值给出相应秩约束下的最佳逼近。

Tv=∑j=1msj⟨v,ej⟩fj,s1≥⋯≥sm>0T v=\sum_{j=1}^{m}s_j\langle v,e_j\rangle f_j,\qquad s_1\ge\cdots\ge s_m>0

这条主张的验收不是背公式。复核者要能从同一对象重建下列证明骨架，并在每一步指出使用了哪条定义或已有定理：

  1. 声明对象：定义域与陪域都是有限维内积空间 依据是：先冻结“第 7 章：内积空间上的算子”的域、空间与量词，避免证明中途换题。
  2. 展开定义：伴随算子与谱定理按定义进入推导 依据是：只使用“第 7 章：内积空间上的算子”正文已声明的定义，不把待证结论当引理。
  3. 构造见证：对 A=diag(3,1,0)，奇异值为 3、1；保留第一项得到秩 1 逼近 diag(3,0,0)，误差由下一个奇异值控制。 依据是：非平凡对象让“任意有限维内积空间间的线性映射都有 SVD；截断奇异值给出相应秩约束下的最佳逼近。”中的结构可以逐步检查。
  4. 保持不变量：奇异值与所选正交规范基无关，截断前后都明确目标秩与误差范数。 依据是：每一步都核对“第 7 章：内积空间上的算子”真正不随选择改变的量。
  5. 封闭结论：任意有限维内积空间间的线性映射都有 SVD；截断奇异值给出相应秩约束下的最佳逼近。 依据是：结论只覆盖四条假设允许的范围，并与“把非正规上三角矩阵直接套正交对角化谱定理；它未必有正交规范特征向量基，但仍有 SVD。”区分。

Definition · lemma · claim

第 7 章：内积空间上的算子：证明重建器

选择一个必须能解释的推导节点1 / 5
本步结论

定义域与陪域都是有限维内积空间

允许使用的理由

先冻结“第 7 章：内积空间上的算子”的域、空间与量词，避免证明中途换题。

交付工件：T*T 的谱分解、左右奇异向量、重构残差与截断误差。

正常例：把抽象结构落到一个对象

对 A=diag(3,1,0)，奇异值为 3、1；保留第一项得到秩 1 逼近 diag(3,0,0)，误差由下一个奇异值控制。 这个例子必须保存输入基、所属空间、关键中间对象和“奇异值与所选正交规范基无关，截断前后都明确目标秩与误差范数。”的检查结果。对一个 3×2 数据矩阵保存左右奇异向量、奇异值与 rank-1 重构；再比较 QR 用于列空间正交化、Cholesky 用于正定系统的不同合同。

反例与适用边界

把非正规上三角矩阵直接套正交对角化谱定理；它未必有正交规范特征向量基，但仍有 SVD。 反例只删除一条假设，其余对象保持不变；这样才能定位结论首次失效的位置，而不是换一道完全不同的题。

Remove one hypothesis · preserve the witness

第 7 章：内积空间上的算子：反例实验

1. 冻结对象成立

第 1 次沿用同一个域、空间、映射和基

2. 删去假设成立

所有假设仍保留

3. 寻找首差成立

对 A=diag(3,1,0)，奇异值为 3、1；保留第一项得到秩 1 逼近 diag(3,0,0)，误差由下一个奇异值控制。

4. 恢复结论成立

T*T 的谱分解、左右奇异向量、重构残差与截断误差。

最小可重放记录

page: 04-operators/lad4-operators-inner-product-spaces
theorem: 任意有限维内积空间间的线性映射都有 SVD；截断奇异值给出相应秩约束下的最佳逼近。
normal_object: 对 A=diag(3,1,0)，奇异值为 3、1；保留第一项得到秩 1 逼近 diag(3,0,0)，误差由下一个奇异值控制。
removed_hypothesis: 定义域与陪域都是有限维内积空间
boundary_object: 把非正规上三角矩阵直接套正交对角化谱定理；它未必有正交规范特征向量基，但仍有 SVD。
invariant: 奇异值与所选正交规范基无关，截断前后都明确目标秩与误差范数。
artifact: T*T 的谱分解、左右奇异向量、重构残差与截断误差。

代码、数值或图形只能验证具体对象，不能替代全称证明。“第 7 章：内积空间上的算子”的交付物至少包含 T*T 的谱分解、左右奇异向量、重构残差与截断误差。；若换基后结论变化，必须先区分是坐标变化还是结构真的变化。

练习与答案

练习

问题 1： 求 diag(3,1,0) 的奇异值和最佳秩 1 截断。

问题 2： 给出一个非正规但存在 SVD 的矩阵。

问题 3： 说明 QR 与 SVD 的输出各保留什么结构。

本章回顾

任意有限维内积空间间的线性映射都有 SVD；截断奇异值给出相应秩约束下的最佳逼近。 本页掌握标准是：会声明假设、会构造正常见证、会逐步说明理由、会删除一条假设制造反例，并能解释“奇异值与所选正交规范基无关，截断前后都明确目标秩与误差范数。”为什么不依赖偶然坐标。

名词解释

本章出现的专业名词，用大白话再讲一遍。

伴随算子

满足 ⟨Tv,w⟩=⟨v,T*w⟩ 的唯一映射。 本页使用这个词时同时保留对象、域与必要假设。

谱定理

正规或自伴算子存在正交规范特征向量基。 本页使用这个词时同时保留对象、域与必要假设。

正算子

满足 ⟨Tv,v⟩≥0 的自伴算子。 本页使用这个词时同时保留对象、域与必要假设。

奇异值分解

用两组正交规范向量和非负奇异值表示 T。 本页使用这个词时同时保留对象、域与必要假设。

低秩近似

截断较小奇异值获得最优受限秩映射。 本页使用这个词时同时保留对象、域与必要假设。

讨论

评论区加载中…